特開 2022-47877 人工多能性幹細胞選別装置、人工多能性幹細胞選別方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022047877

(43)【公開日】2022-03-25

(54)【発明の名称】人工多能性幹細胞選別装置、人工多能性幹細胞選別方法、及びプログラム

(51)【国際特許分類】

   C12M 1/00 20060101AFI20220317BHJP

【ＦＩ】

C12M1/00 A

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2020153900

(22)【出願日】2020-09-14

【国等の委託研究の成果に係る記載事項】（出願人による申告）平成３０年度、国立研究開発法人日本医療研究開発機構、「再生医療実現拠点ネットワークプログラム 再生医療の実現化ハイウェイ」委託事業、課題名「ｉＰＳ細胞を用いた再生心筋細胞移植による重症心不全治療法の確立」について、産業技術力強化法第１７条の適用を受ける特許出願

(71)【出願人】

【識別番号】899000079

【氏名又は名称】学校法人慶應義塾

(71)【出願人】

【識別番号】516182203

【氏名又は名称】Ｈｅａｒｔｓｅｅｄ株式会社

(74)【代理人】

【識別番号】100106909

【弁理士】

【氏名又は名称】棚井 澄雄

(74)【代理人】

【識別番号】100188558

【弁理士】

【氏名又は名称】飯田 雅人

(74)【代理人】

【識別番号】100181722

【弁理士】

【氏名又は名称】春田 洋孝

(74)【代理人】

【識別番号】100188592

【弁理士】

【氏名又は名称】山口 洋

(72)【発明者】

【氏名】福田 恵一

(72)【発明者】

【氏名】湯浅 慎介

(72)【発明者】

【氏名】関 倫久

(72)【発明者】

【氏名】楠本 大

【テーマコード（参考）】

4B029

【Ｆターム（参考）】

4B029AA09

4B029BB11

4B029FA01

(57)【要約】

【課題】人工多能性幹細胞を簡便に選別すること。
【解決手段】人工多能性幹細胞選別装置は、人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得部と、画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の第１画像データから正常な人工多能性幹細胞の形態を示す第１画像データを選別する選別部とを備える。
【選択図】図４

【特許請求の範囲】

【請求項1】

人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得部と、
前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別部と
を備える人工多能性幹細胞選別装置。

【請求項2】

前記選別部は、核型異常の人工多能性幹細胞の形態を示す前記画像データを教師データにして核型異常の人工多能性幹細胞の形態が機械学習された結果に基づいて、複数の前記第１画像データから核型異常の人工多能性幹細胞の形態を示す前記第１画像データを選別する
請求項１に記載の人工多能性幹細胞選別装置。

【請求項3】

前記画像データとは、人工多能性幹細胞の細胞塊が撮像されている画像である
請求項１または請求項２に記載の人工多能性幹細胞選別装置。

【請求項4】

前記画像データとは、人工多能性幹細胞の単位体積あたりの細胞の個数が所定の範囲内である時に撮像された画像データである
請求項１または請求項３に記載の人工多能性幹細胞選別装置。

【請求項5】

前記画像データとは、当該人工多能性幹細胞の培養が開始されてから所定の日数が経過した時点において当該人工多能性幹細胞が撮像された前記画像データである
請求項１から請求項４のいずれか一項に記載の人工多能性幹細胞選別装置。

【請求項6】

前記第２画像データを教師データにして人工多能性幹細胞の形態の特徴を機械学習する機械学習部をさらに備え、
前記選別部は、前記機械学習部による機械学習の結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する
請求項１から請求項５のいずれか一項に記載の人工多能性幹細胞選別装置。

【請求項7】

前記機械学習部は、多層のニューラルネットワークを用いて機械学習する
請求項６に記載の人工多能性幹細胞選別装置。

【請求項8】

前記機械学習部は、前記画像データに加えて、人工多能性幹細胞の形態を示す画像とは異なる画像を示す第２の画像データを用いて機械学習する
請求項６または請求項７に記載の人工多能性幹細胞選別装置。

【請求項9】

人工多能性幹細胞選別装置が、人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得過程と、
人工多能性幹細胞選別装置が、前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別過程と
を有する人工多能性幹細胞選別方法。

【請求項10】

コンピュータに、
人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得手順と、
前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別手順と
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、人工多能性幹細胞選別装置、人工多能性幹細胞選別方法、及びプログラムに関する。

【背景技術】

【0002】

人工多能性幹細胞がドナーから提供される人工多能性幹細胞バンクが知られている。しかし、ドナーの数は限られており、人工多能性幹細胞バンクだけでは、全ての人が等しく人工多能性幹細胞細胞を用いた再生医療を受けられるようにはならないと試算されている。そこで、再生医療のために人工多能性幹細胞細胞を培養することが計画されている。
再生医療のための人工多能性幹細胞細胞には、臨床利用についての審査基準が設けられている。この審査基準を満たすため、培養した人工多能性幹細胞について、核型の解析を行い、核型異常の人工多能性幹細胞を除外する必要がある。
臨床利用のための人工多能性幹細胞を準備するためには、審査基準を満たすように核型異常のない人工多能性幹細胞を選別する作業が、時間と費用の両面から問題となる。

【0003】

細胞を選別する技術として、所定の条件を満たすまで細胞集合体を培養し、細胞集合体の培地内の位置と大きさについて所定の条件を満たした細胞集合体を選別した後、所定の条件を満たした細胞集合体を取得する装置が知られている（特許文献１）。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１２－２３１７６４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、核型異常の人工多能性幹細胞の選別について、どのような条件を検査すれば、審査基準を満たす人工多能性幹細胞を選別できるかは手探りの状態である。上述の技術のように、細胞集合体の培地内の位置と大きさを条件として選別したのでは、核型異常の人工多能性幹細胞の選別をするには不十分である。一方、培養した人工多能性幹細胞毎に核型異常の有無の解析をしたのでは、時間と費用がかかる。このように、人工多能性幹細胞の選別は簡便には行うことができないという問題があった。

【0006】

本発明は上記の点に鑑みてなされたものであり、人工多能性幹細胞を簡便に選別することができる人工多能性幹細胞選別装置、人工多能性幹細胞選別方法、及びプログラムを提供する。

【課題を解決するための手段】

【0007】

（１）本発明は上記の課題を解決するためになされたものであり、本発明の一態様は、人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得部と、前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別部とを備える人工多能性幹細胞選別装置である。

【0008】

（２）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記選別部は、核型異常の人工多能性幹細胞の形態を示す前記画像データを教師データにして核型異常の人工多能性幹細胞の形態が機械学習された結果に基づいて、複数の前記第１画像データから核型異常の人工多能性幹細胞の形態を示す前記第１画像データを選別する。

【0009】

（３）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記画像データとは、人工多能性幹細胞の細胞塊が撮像されている画像である。

【0010】

（４）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記画像データとは、人工多能性幹細胞の単位体積あたりの細胞の個数が所定の範囲内である時に撮像された画像データである。

【0011】

（５）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記画像データとは、当該人工多能性幹細胞の培養が開始されてから所定の日数が経過した時点において当該人工多能性幹細胞が撮像された前記画像データである。

【0012】

（６）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記第２画像データを教師データにして人工多能性幹細胞の形態の特徴を機械学習する機械学習部をさらに備え、前記選別部は、前記機械学習部による機械学習の結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する。

【0013】

（７）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記機械学習部は、多層のニューラルネットワークを用いて機械学習する。

【0014】

（８）また、本発明の一態様は、上記の人工多能性幹細胞選別装置において、前記機械学習部は、前記画像データに加えて、人工多能性幹細胞の形態を示す画像とは異なる画像を示す第２の画像データを用いて機械学習する。

【0015】

（９）また、本発明の一態様は、人工多能性幹細胞選別装置が、人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得過程と、人工多能性幹細胞選別装置が、前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別過程とを有する人工多能性幹細胞選別方法である。

【0016】

（１０）また、本発明の一態様は、コンピュータに、人工多能性幹細胞の形態を示す画像データである第１画像データを取得する画像データ取得手順と、前記画像データである第２画像データに基づいて人工多能性幹細胞の形態の特徴が機械学習された結果に基づいて、複数の前記第１画像データから正常な人工多能性幹細胞の形態を示す前記第１画像データを選別する選別手順とを実行させるためのプログラムである。

【発明の効果】

【0017】

本発明によれば、人工多能性幹細胞を簡便に選別することができる。

【図面の簡単な説明】

【0018】

【図1】本発明の第１の実施形態に係る人工多能性幹細胞の細胞塊の画像の一例を示す第１の図である。

【図2】本実施形態に係る人工多能性幹細胞の細胞塊の画像の一例を示す第２の図である。

【図3】本実施形態に係る核型異常の人工多能性幹細胞の細胞塊の画像の一例を示す図である。

【図4】本実施形態に係る人工多能性幹細胞選別システムの構成の一例を示す概略ブロック図である。

【図5】本実施形態に係る人工多能性幹細胞選別装置の学習処理の一例を示すフローチャートである。

【図6】本実施形態に係る人工多能性幹細胞選別装置の選別処理の一例を示すフローチャートである。

【図7】本実施形態に係る人工多能性幹細胞選別装置の構成の一例を示す概略ブロック図である。

【図8】本実施形態に係る人工多能性幹細胞の細胞塊の画像の生成過程の一例を示す図である。

【図9】本実施形態に係るタイムラプス顕微鏡の画像生成処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0019】

（第１の実施形態）
以下、図面を参照しながら本発明の実施形態について詳しく説明する。図１は、本実施形態に係る人工多能性幹細胞の細胞塊の画像の一例を示す第１の図である。以下では、人工多能性幹細胞をｉＰＳ（ｉｎｄｕｃｅｄ ｐｌｕｒｉｐｏｔｅｎｔ ｓｔｅｍ ｃｅｌｌｓ）細胞と称する。ｉＰＳ細胞の細胞塊は、細胞株によって形態の特徴が異なる場合がある。

【0020】

画像データＰ１は、ｉＰＳ細胞の細胞塊を、顕微鏡の弱拡大における視野において撮像した画像データである。ここで、顕微鏡の弱拡大における視野とは、ｉＰＳ細胞の細胞塊の全体が捉えられる程度の所定の倍率における視野である。この一例における画像データＰ１には、ｉＰＳ細胞の細胞塊Ｃ１～細胞塊Ｃ１４が撮像されている。

【0021】

図２は、本実施形態に係る人工多能性幹細胞の細胞塊の画像の一例を示す第２の図である。画像データＰ２は、ｉＰＳ細胞の細胞塊を、顕微鏡の弱拡大における視野において撮像した画像データである。この一例における画像データＰ２には、ｉＰＳ細胞の細胞塊Ｄ１～細胞塊Ｄ６が撮像されている。図２に示す例では、細胞塊Ｄ１と細胞塊Ｄ２とは部分的に接し、細胞塊Ｄ２と細胞塊Ｄ３とは部分的に接し、細胞塊Ｄ４と細胞塊Ｄ５とは部分的に接し、細胞塊Ｄ５と細胞塊Ｄ６とは部分的に接している。また、細胞塊Ｄ１、細胞塊Ｄ２、及び細胞塊Ｄ３と、細胞塊Ｄ４、細胞塊Ｄ５、及び細胞塊Ｄ６とは接していない。
細胞塊Ｃ１～細胞塊Ｃ１４（図１）と、細胞塊Ｄ１～細胞塊Ｄ６（図２）とを比較すると、細胞塊の形態と大きさとが異なっている。ただし、画像データＰ１（図１）と、画像データＰ２（図２）とは、ｉＰＳ細胞の培養開始後、同一の所定の時間が経過した時点においてｉＰＳ細胞が撮像された画像データである。

【0022】

図３は、本実施形態に係る核型異常の人工多能性幹細胞の細胞塊の画像の一例を示す図である。画像データＰ３は、核型異常のｉＰＳ細胞の細胞塊を、顕微鏡の弱拡大における視野において撮像した画像データである。一例として、顕微鏡とは、位相差顕微鏡であり、画像データＰ３は、この位相差顕微鏡を用いた位相差観察によって撮像された位相差顕微鏡画像のデータである。画像データＰ３には、ｉＰＳ細胞の細胞塊Ｅが撮像されている。図３において、細胞塊Ｅは、細胞塊が分解してできた複数の塊の全体を指す。細胞塊Ｅは、核型異常のｉＰＳ細胞の一例である。核型異常は、例えば、ヒトｉＰＳ細胞の場合、１２トリソミーの頻度が多いが、これに限定されない。

【0023】

ｉＰＳ細胞は、培養継代により一定の確率で核型異常のｉＰＳ細胞となることが知られている。ある特定の細胞塊においてｉＰＳ細胞が核型異常のｉＰＳ細胞となった場合、核型異常のｉＰＳ細胞は細胞分裂によりこの特定の細胞塊全体に広がってゆく傾向がある。培養開始後十分な時間が経過した時点においては、ある細胞塊に含まれるｉＰＳ細胞は、核型異常のものが多数を占めるか、核型異常でないものが多数を占めるかのいずれかである。核型異常のｉＰＳ細胞が細胞塊全体に広がっている場合、核型異常のｉＰＳ細胞の細胞塊全体の形態は、核型異常のｉＰＳ細胞の影響を受ける。
図３に示す細胞塊Ｅの例では、細胞塊Ｃ１～細胞塊Ｃ１４（図１）や細胞塊Ｄ１～細胞塊Ｄ６（図２）に比べ、細胞塊がまとまっていないという形態の特徴がある。

【0024】

本実施形態に係る選別装置１は、ｉＰＳ細胞の形態の特徴に基づいて核型異常のｉＰＳ細胞の画像データの選別を行う。その際、選別装置１は、顕微鏡の弱拡大における視野において撮像した画像データを用いる。顕微鏡の弱拡大における視野において撮像された画像データによると、顕微鏡の倍率が低いため、ｉＰＳ細胞の細胞塊全体を１枚の画像として撮影することができ、これにより、ｉＰＳ細胞の細胞塊の形態の特徴を確認できる。弱拡大の倍率は、通常１０～５０倍程度、好ましくは４０倍程度であれば、撮影時間がかかりすぎずに十分に細胞の形態の特徴を確認できる。なお、顕微鏡の性能によって、短時間で高倍率の撮影ができるなどの場合には、２００倍程度まで撮影倍率を上げてもよい。

【0025】

ここでｉＰＳ細胞を１つ１つ核型異常の検査をする場合がある。この場合には、細胞塊全体では核型異常のｉＰＳ細胞が多数を占めていたとしても、核型異常でないｉＰＳ細胞がたまたま検査対象のｉＰＳ細胞として選択されてしまうことがある。そうすると、核型異常のｉＰＳ細胞が多数を占めており核型異常と判定すべき細胞塊について核型異常でないと誤判定をしてしまうことが考えられる。選別装置１は、弱拡大における視野において撮像した画像データを用いることにより、このような誤判定を避けることができる。

【0026】

また、ｉＰＳ細胞の細胞塊は、中心部分と周辺部分とにおいて細胞の形態が異なる傾向がある。ｉＰＳ細胞の細胞塊の形態の特徴を捉えるには、ｉＰＳ細胞の細胞塊の全体を観察する必要がある。選別装置１は、弱拡大における視野において撮像した画像データ用いることにより、ｉＰＳ細胞の細胞塊の全体の形態を観察することができる。

【0027】

図４は、本実施形態に係る人工多能性幹細胞選別システムＳＴ１の構成の一例を示す概略ブロック図である。
人工多能性幹細胞選別システムＳＴ１は、選別装置１と、転移学習画像データ供給部２と、教師細胞画像データ供給部３と、選別細胞画像データ供給部４と、提示部５とを備える。

【0028】

人工多能性幹細胞選別システムＳＴ１は、深層学習による学習結果に基づいて、複数のｉＰＳ細胞の形態を示す画像データから正常なｉＰＳ細胞の形態を示す画像データを選別するシステムである。ここで、深層学習とは、多層のニューラルネットワークを用いた機械学習の手法である。深層学習では、多層のニューラルネットワークのユニット間の重みを、入力に対して正しい結果を出力するように更新する。以下では、重みを更新することを、学習をする、学習を実行するなどと称することがある。

【0029】

転移学習画像データ供給部２は、転移学習画像データを選別装置１に対して供給する。選別装置１は、深層学習を行う際、転移学習を行い、学習済みの重みを用いて学習を行う。転移学習画像データとは、選別装置１が転移学習を行う際に用いるｉＰＳ細胞の形態を示す画像データとは異なる画像データと、各画像データの分類結果とが対応づけられたデータである。ｉＰＳ細胞の形態を示す画像データとは異なる画像データとは、例えば、様々な種類の物体（動物、乗り物、機械など）が撮像された画像のデータである。

【0030】

転移学習画像データでは、入力（ｉＰＳ細胞の形態を示す画像データとは異なる画像データ）に対する出力（ｉＰＳ細胞の形態を示す画像データとは異なる画像データの分類結果）が予めわかっている。そのため、選別装置１は、転移学習画像データを、入力に対して正しい結果を出力する重みの算出に用いることができる。
本実施形態においては、転移学習画像データ供給部２は、一例として、１２０万枚の画像データと、各画像を１０００個に分類した結果とが対応づけられた大規模な画像データセットを、転移学習画像データとして供給する。ここで画像データセットにおいて、各画像を分類した結果とは、各画像に撮像されている対象の種類を分類した結果である。

【0031】

教師細胞画像データ供給部３は、教師細胞画像データを選別装置１に対して供給する。教師細胞画像データとは、選別装置１が深層学習を行う際に用いるｉＰＳ細胞の形態を示す画像データと、撮像されたｉＰＳ細胞が核型異常のｉＰＳ細胞であるか否かを示す情報とが対応づけられたデータである。教師細胞画像データ含まれる画像データには、核型異常のｉＰＳ細胞の形態を示す画像データと、核型異常でないｉＰＳ細胞の形態を示す画像データとが、所定の比において含まれる。ここで、所定の比とは、例えば１対１である。

【0032】

撮像されたｉＰＳ細胞が核型異常のｉＰＳ細胞であるか否かを示す情報は、撮像されたｉＰＳ細胞について核型異常の検査を行うことにより与えられる。ここで核型異常の検査では、例えば、予め免疫染色、ＰＣＲ（Ｐｏｌｙｍｅｒａｓｅ Ｃｈａｉｎ Ｒｅａｃｔｉｏｎ）による未分化マーカー発現の確認、核型解析、マイクロアレイデータの解析、ＣＧＨ（Ｃｏｍｐａｒａｔｉｖｅ Ｇｅｎｏｍｉｃ Ｈｙｂｒｉｄｉｚａｔｉｏｎ）アレイによるＣｏｐｙ Ｎｕｍｂｅｒ Ｖａｒｉａｔｉｏｎの存在、次世代シーケンサを用いたエクソンシークエンスまたは全ゲノムシークエンスによる検証のいずれかの検証によって、臨床応用に適したｉＰＳ細胞株、臨床応用に適さないｉＰＳ細胞株が分類される。なお、撮像されたｉＰＳ細胞が核型異常のｉＰＳ細胞であるか否かを示す情報は、人工多能性幹細胞選別システムＳＴ１の使用者が、撮像されたｉＰＳ細胞の細胞塊の形態を目視で確認し、経験に基づいて判定することにより与えられてもよい。

【0033】

教師細胞画像データでは、入力（ｉＰＳ細胞の画像データ）に対する出力（撮像されたｉＰＳ細胞が核型異常のｉＰＳ細胞であるか否か）が予めわかっている。そのため、選別装置１は、教師細胞画像データを、入力に対して正しい結果を出力する重みの算出に用いることができる。

【0034】

選別細胞画像データ供給部４は、選別細胞画像データを選別装置１に対して供給する。選別細胞画像データとは、選別装置１が選別するｉＰＳ細胞の形態を示す画像データである。

【0035】

選別装置１は、転移学習画像データ取得部１０と、教師細胞画像データ取得部１１と、選別細胞画像データ取得部１２と、機械学習部１３と、選別部１４とを備える。
転移学習画像データ取得部１０は、転移学習画像データ供給部２が供給する転移学習画像データを取得する。転移学習画像データ取得部１０は、取得した転移学習画像データを機械学習部１３に供給する。
教師細胞画像データ取得部１１は、教師細胞画像データ供給部３が供給する教師細胞画像データを取得する。教師細胞画像データ取得部１１は、取得した教師細胞画像データを選別部１４に供給する。
選別細胞画像データ取得部１２は、選別細胞画像データ供給部４が供給する選別細胞画像データを取得する。選別細胞画像データ取得部１２は、取得した選別細胞画像データを機械学習部１３に供給する。

【0036】

機械学習部１３は、教師細胞画像データ取得部１１から取得した教師細胞画像データに含まれるｉＰＳ細胞の形態を示す画像データと、撮像されたｉＰＳ細胞が核型異常のｉＰＳ細胞であるか否かを示す情報とに基づいて、ｉＰＳ細胞の形態の特徴を、深層学習を実行する。つまり、機械学習部１３は、核型異常のｉＰＳ細胞の形態を示す画像データを教師データにして、核型異常のｉＰＳ細胞の形態を機械学習する。機械学習部１３が実行する深層学習では、数百枚から数万枚（例えば、２００枚から２００００枚）の画像が学習に用いられる。
機械学習部１３は、転移学習画像データ取得部１０から取得した転移学習画像データに基づいて、深層学習を実行する前に学習を実行する。つまり、機械学習部１３は、転移学習を実行する。

【0037】

機械学習部１３は、再学習を実行し、選別装置１のｉＰＳ細胞の形態を示す画像データの選別の精度を向上させてもよい。再学習では、学習が実行されたニューラルネットワークに対して、新たに別の教師データが用いられて学習が実行される。再学習においては、既に実行した深層学習において用いた教師データとは、同様の種類の別のデータが教師データとして用いられる。つまり、再学習において用いられる教師データは、核型異常のｉＰＳ細胞の形態を示す画像データであって、既に実行した深層学習において用いた教師データとは別のデータである。機械学習部１３は、この別の教師データを新たに用いて深層学習を再度実行する。

【0038】

選別部１４は、機械学習部１３が深層学習を実行した結果に基づいて、選別細胞画像データ取得部１２から取得した複数の選別細胞画像データから正常なｉＰＳ細胞の形態を示す画像データを選別する。選別部１４は、選別結果を提示部５に出力する。

【0039】

提示部５は、例えば、ディスプレイやプリンタであり、選別装置１の選別部１４から供給される選別結果を、表示や印字などの提示手段により提示する。
なお、提示部５は、ネットワークサーバなどの記憶装置であってもよい。この場合には、提示部５は、選別部１４から供給される選別結果を記憶し、記憶した選別結果を他の装置に供給する。

【0040】

図５は、本実施形態に係る人工多能性幹細胞選別装置の学習処理の一例を示すフローチャートである。

【0041】

（ステップＳ１００）転移学習画像データ取得部１０は、転移学習画像データ供給部２から転移学習画像データを取得する。転移学習画像データ取得部１０は、取得した転移学習画像データを機械学習部１３に供給する。

【0042】

（ステップＳ１０１）機械学習部１３は、転移学習画像データ取得部１０から取得した転移学習画像データを用いて学習を実行する。
なお、機械学習部１３は、転移学習をしなくてもよい。その場合、選別装置１は、ステップＳ１００、及びステップＳ１０１の過程を省略する。

【0043】

（ステップＳ１０２）教師細胞画像データ取得部１１は、教師細胞画像データ供給部３から教師細胞画像データを取得する。教師細胞画像データ取得部１１は、取得した教師細胞画像データを機械学習部１３に供給する。

【0044】

（ステップＳ１０３）機械学習部１３は、教師細胞画像データ取得部１１から取得した教師細胞画像データを用いて学習を実行する。機械学習部１３は、ステップＳ１０１の学習において更新した重みを、学習開始時の重みとして用いる。
機械学習部１３は、多層のニューラルネットワークの各層のユニット間の重みの更新を各層について、例えば１００エポック行う。ここで、エポックとは、教師細胞画像データを１回ずつ全て用いて重みの更新を行う回数の単位である。
その後、機械学習部１３は、出力層のユニットと、出力層に近い側から数えて１層目の層のユニットとの間の重み、及び出力層に近い側から数えて１層目の層のユニットと、出力層に近い側から数えて２層目の層のユニットとの間の重みの更新を、他の重みは固定して例えば１０００エポック行う。
機械学習部１３は、更新した重みを選別部１４に供給する。
なお、機械学習部１３が学習に用いる手法は、上記以外であってもよい。

【0045】

図６は、本実施形態に係る人工多能性幹細胞選別装置の選別処理の一例を示すフローチャートである。

【0046】

（ステップＳ２００）選別細胞画像データ取得部１２は、選別細胞画像データ供給部４が供給する選別細胞画像データを取得する。選別細胞画像データ取得部１２は、取得した選別細胞画像データを選別部１４に供給する。

【0047】

（ステップＳ２０１）選別部１４は、機械学習部１３から、ステップＳ１０３において更新された重みを取得する。

【0048】

（ステップＳ２０２）選別部１４は、選別細胞画像データ取得部１２から取得した選別細胞画像データを、ステップＳ２０１において取得した重みをもつ多層のニューラルネットワークを用いて選別する。

【0049】

（ステップＳ２０３）選別部１４は、選別した結果を提示部５に出力して、一連の処理を終了する。

【0050】

なお、選別装置１の判定精度を検証する際、十分な数の選別細胞画像データが入手できない場合がある。その場合、教師細胞画像データに含まれる画像データの一部を取り出し選別細胞画像データとして用いて、交差検証を行ってもよい。

【0051】

なお本実施形態では、選別装置１が機械学習を実行する場合の一例について説明したが、これに限られない。選別装置１は、機械学習が実行された結果を外部の装置から取得して選別の処理に用いてもよい。その場合、選別装置１の構成から機械学習部１３が省略されてもよい。

【0052】

以上に説明したように、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、画像データ取得部（選別細胞画像データ取得部１２）と、選別部１４とを備える。
画像データ取得部（選別細胞画像データ取得部１２）は、ｉＰＳ細胞の形態を示す画像データである第１画像データ（選別細胞画像データ）を取得する。
選別部１４は、ｉＰＳ細胞の形態を示す画像データである第２画像データ（教師細胞画像データ）に基づいてｉＰＳ細胞の形態の特徴が機械学習された結果に基づいて、複数の第１画像データ（選別細胞画像データ）から正常なｉＰＳ細胞の形態を示す第１画像データ（選別細胞画像データ）を選別する。

【0053】

この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、ｉＰＳ細胞の形態の特徴が学習された結果に基づいて、ｉＰＳ細胞を簡便に選別することができる。

【0054】

また、本実施形態において、機械学習部１３は、核型異常のｉＰＳ細胞の形態を示す画像データを教師データ（教師細胞画像データ）にして、核型異常のｉＰＳ細胞の形態を機械学習する。
選別部１４は、核型異常のｉＰＳ細胞の形態を示す画像データを教師データにして核型異常のｉＰＳ細胞の形態が機械学習された結果に基づいて、複数の第１画像データ（選別細胞画像データ）から核型異常のｉＰＳ細胞の形態を示す第１画像データ（選別細胞画像データ）を選別する。

【0055】

この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、核型異常のｉＰＳ細胞の形態の特徴を学習することができるため、核型異常のｉＰＳ細胞を簡便に選別することができる。

【0056】

また、本実施形態において、画像データとは、人工多能性幹細胞の細胞塊が撮像されている画像である。
この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、ｉＰＳ細胞の細胞塊の形態の特徴を学習することができるため、ｉＰＳ細胞の細胞塊の形態の特徴に基づいてｉＰＳ細胞の選別をすることができる。

【0057】

また、本実施形態において、人工多能性幹細胞選別装置（選別装置１）は、機械学習部１３をさらに備える。
機械学習部１３は、第２画像データ（教師細胞画像データ）を教師データにしてｉＰＳ細胞の形態の特徴を機械学習する。
選別部１４は、機械学習部１３による機械学習の結果に基づいて、複数の第１画像データ（選別細胞画像データ）から正常なｉＰＳ細胞の形態を示す第１画像データを選別する。
この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、ｉＰＳ細胞の形態の特徴を学習するための機械学習を実行できるため、外部から機械学習の結果を取得することなくｉＰＳ細胞を選別することができる。

【0058】

また、本実施形態において、機械学習部１３は、多層のニューラルネットワークを用いて機械学習する。
この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、ｉＰＳ細胞の形態の特徴が自動的に抽出されるため、ｉＰＳ細胞の形態の特徴を予め必要とせずにｉＰＳ細胞を選別することができる。

【0059】

また、本実施形態において、機械学習部１３は、画像データ（教師細胞画像データ）に加えて、ｉＰＳ細胞の形態を示す画像とは異なる画像を示す第２の画像データ（転移学習画像データ）を用いて機械学習する。
この構成により、本実施形態に係る人工多能性幹細胞選別装置（選別装置１）は、画像データ（教師細胞画像データ）を用いて機械学習をする前に、第２の画像データ（転移学習画像データ）を用いて機械学習をすることができるため、効率よく機械学習することができる。

【0060】

（第２の実施形態）
以下、図面を参照しながら本発明の第２の実施形態について詳しく説明する。
上記第１の実施形態では、人工多能性幹細胞選別システムが、選別装置と、画像データを供給する部とから構成される場合について説明をした。本実施形態では、人工多能性幹細胞選別装置がタイムラプス顕微鏡を備え、培養されてから７日目のｉＰＳ細胞を撮像した画像データを選別する場合について説明をする。

【0061】

図７は、本実施形態に係る人工多能性幹細胞選別装置Ｔ１の構成の一例を示す概略ブロック図である。
人工多能性幹細胞選別装置Ｔ１は、転移学習画像データ供給部２と、教師細胞画像データ供給部３と、選別細胞画像データ供給部４と、提示部５と、制御部６と、タイムラプス顕微鏡７とを備える。
本実施形態に係る人工多能性幹細胞選別装置Ｔ１（図７）と第１の実施形態に係る人工多能性幹細胞選別システム（図４）とを比較すると、選別装置１が制御部６に置き換わっている点、転移学習画像データ供給部２、教師細胞画像データ供給部３、選別細胞画像データ供給部４、提示部５、制御部６が人工多能性幹細胞選別装置Ｔ１に備えられている点、及びタイムラプス顕微鏡７の有無が異なる。しかし、転移学習画像データ供給部２、提示部５、制御部６内の各部（転移学習画像データ取得部１０、教師細胞画像データ取得部１１、選別細胞画像データ取得部１２、機械学習部１３、選別部１４）が持つ機能は第１の実施形態と同じである。第１の実施形態と同じ機能の説明は省略し、第２の実施形態では、第１の実施形態と異なる部分を中心に説明する。

【0062】

教師細胞画像データ供給部３は、タイムラプス顕微鏡７からｉＰＳ細胞の形態を示す画像データと、撮像されたｉＰＳ細胞についての判定結果との組を、教師細胞画像データとして取得する。
選別細胞画像データ供給部４は、タイムラプス顕微鏡７からｉＰＳの形態を示す画像データを、選別細胞画像データとして取得する。

【0063】

タイムラプス顕微鏡７は、培養容器を備え、ｉＰＳ細胞を培養する。タイムラプス顕微鏡７は、顕微鏡、カメラ、照明などを備え、ｉＰＳ細胞の培養の過程を時系列に撮像し画像データを生成する。
タイムラプス顕微鏡７は、撮像されたｉＰＳ細胞についての核型異常の判定結果を、人工多能性幹細胞選別装置Ｔ１の使用者による撮像されたｉＰＳ細胞の核型異常の検査から得る。なお、タイムラプス顕微鏡７は、撮像されたｉＰＳ細胞についての核型異常の判定結果を、人工多能性幹細胞選別装置Ｔ１の使用者によるｉＰＳ細胞の細胞塊の形態の目視による判定から得てもよい。

【0064】

タイムラプス顕微鏡７は、ｉＰＳ細胞の培養開始後、所定の時間が経過した場合に、培養したｉＰＳ細胞を撮像する。タイムラプス顕微鏡７は、培養開始後７日目のｉＰＳ細胞を撮像する。タイムラプス顕微鏡７は、培養（または継代）開始後に所定の時間が経過し、コンフルエントとなったｉＰＳ細胞が撮像された画像を画像データとして生成する。ここでコンフルエントとは、培養（または継代）から所定の時間が経過してｉＰＳ細胞の面積が画像全体の面積の凡そ６０パーセントから９０パーセントを占める状態である。
なお、タイムラプス顕微鏡７は、ｉＰＳ細胞の細胞密度が所定の範囲内にある時に、ｉＰＳ細胞を撮像してもよい。

【0065】

図８は、本実施形態に係る人工多能性幹細胞の細胞塊の画像の生成過程の一例を示す図である。

【0066】

画像データＡ１－１、画像データＡ１－３、画像データＡ１－５及び画像データＡ１－７は、ｉＰＳ細胞株４Ｆ１６を培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。画像データＢ１－１、画像データＢ１－３、画像データＢ１－５及び画像データＢ１－７は、ｉＰＳ細胞株ＤｉＰＳ０３を培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。

【0067】

画像データＡ２－１、画像データＡ２－３、画像データＡ２－５及び画像データＡ２－７は、画像データＡ１－７のｉＰＳ細胞株４Ｆ１６を継代培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。画像データＢ２－１、画像データＢ２－３、画像データＢ２－５及び画像データＢ２－７は、画像データＢ１－７のｉＰＳ細胞株ＤｉＰＳ０３を継代培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。

【0068】

画像データＡ３－１、画像データＡ３－３、画像データＡ３－５及び画像データＡ３－７は、画像データＡ２－７のｉＰＳ細胞株４Ｆ１６を継代培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。画像データＢ３－１、画像データＢ３－３、画像データＢ３－５及び画像データＢ３－７は、画像データＢ２－７のｉＰＳ細胞株ＤｉＰＳ０３を継代培養してから、各々１日目、３日目、５日目及び７日目に撮像された画像である。

【0069】

なお、以下の説明においては、継代培養が開始されてから経過した時間についても、単に「培養開始後」と記載する場合がある。
本実施形態においては、培養開始後７日目のｉＰＳ細胞の細胞塊が撮像されている画像データＡ１－７、画像データＢ１－７、画像データＡ２－７、画像データＢ２－７、画像データＡ３－７及び画像データＢ３－７が、教師細胞画像データの画像データ及び選別細胞画像データに用いられる。

【0070】

培養開始後７日目のｉＰＳ細胞の細胞塊は、核型異常のｉＰＳ細胞が細胞塊全体に広がっているか、核型異常でないｉＰＳ細胞が細胞塊全体に広がっているかのいずれかであると考えられる。したがって、人工多能性幹細胞選別装置Ｔ１は、培養開始後７日目のｉＰＳ細胞の細胞塊が撮像されている画像データを学習に用いることにより、ｉＰＳ細胞の画像データの選別の精度を向上させることができる。また、培養開始後７日目のｉＰＳ細胞の細胞塊は、ｉＰＳ細胞の細胞塊の形態の特徴を観察するのに、十分な日数が経過していると考えられる。このため、人工多能性幹細胞選別装置Ｔ１は、培養開始後７日目のｉＰＳ細胞の細胞塊が撮像されている画像データを学習に用いることにより、ｉＰＳ細胞の細胞塊の形態の特徴を学習することができる。この学習に用いる画像データは例えば、２万～３万枚程度であればよい。

【0071】

なお、細胞塊が撮像されている画像については、培養開始後７日目の画像に限られず、例えば、培養開始後１日目のｉＰＳ細胞の細胞塊が撮像されている画像、培養開始後３日目のｉＰＳ細胞の細胞塊が撮像されている画像、培養開始後５日目のｉＰＳ細胞の細胞塊が撮像されている画像が、各々教師細胞画像データの画像データ、及び選別細胞画像データに用いられてもよい。また、培養開始後１日目のｉＰＳ細胞の細胞塊が撮像されている画像、培養開始後３日目のｉＰＳ細胞の細胞塊が撮像されている画像、培養開始後５日目のｉＰＳ細胞の細胞塊が撮像されている画像、培養開始後７日目のｉＰＳ細胞の細胞塊が撮像されている画像の一部、または全部が、教師細胞画像データの画像データ、及び選別細胞画像データに用いられてもよい。

【0072】

培養開始後７日目以前の画像を使用すれば、培地がｉＰＳ細胞により埋め尽くされることで細胞塊としてのまとまりが失われにくく、機械学習の学習精度の低下が生じにくい。また、臨床用にｉＰＳ細胞を培養する場合、７日より長く培養をすることは一般的ではない。

【0073】

図９は、本実施形態に係るタイムラプス顕微鏡７の画像生成処理の一例を示すフローチャートである。

【0074】

（ステップＳ３００）タイムラプス顕微鏡７は、ｉＰＳ細胞の培養を開始する。

【0075】

（ステップＳ３０１）タイムラプス顕微鏡７は、開始した培養を継続する。

【0076】

（ステップＳ３０２）タイムラプス顕微鏡７は、ｉＰＳ細胞を開始してから７日目であるか否かを判定する。タイムラプス顕微鏡７は、ｉＰＳ細胞を開始してから７日目であると判定する場合（ステップＳ３０２；ＹＥＳ）、ステップＳ３０３の処理を実行する。一方、ｉＰＳ細胞を開始してから７日目でないと判定する場合（ステップＳ３０２；ＮＯ）、タイムラプス顕微鏡７は、ステップＳ３０１の処理を繰り返す。

【0077】

（ステップＳ３０３）タイムラプス顕微鏡７は、培養中のｉＰＳ細胞の細胞塊を、培養容器毎に弱拡大における視野において撮像する。タイムラプス顕微鏡７は、撮像した結果から画像データを生成する。

【0078】

（ステップＳ３０４）タイムラプス顕微鏡７は、画像データを所定の数だけ生成したか否かを判定する。タイムラプス顕微鏡７は、画像データを所定の数だけ生成したと判定する場合（ステップＳ３０４；ＹＥＳ）、一連の処理を終了する。一方、画像データを所定の数だけ生成していないと判定する場合（ステップＳ３０４；ＮＯ）、タイムラプス顕微鏡７は、ステップＳ３０５の処理を実行する。

【0079】

（ステップＳ３０５）タイムラプス顕微鏡７は、培養中のｉＰＳ細胞から継代培養を行う。

【0080】

以上に説明したように、本実施形態の画像データとは、ｉＰＳ細胞の培養が開始されてから所定の日数が経過した時点においてｉＰＳ細胞が撮像された画像データである。
この構成により、本実施形態に係る人工多能性幹細胞選別装置Ｔ１は、ｉＰＳ細胞の細胞塊の形態の特徴を観察するのに適した画像データを用いて学習することができるため、ｉＰＳ細胞の選別の精度を向上させることができる。

【0081】

上述したように、タイムラプス顕微鏡７は、ｉＰＳ細胞の培養開始後、所定の時間が経過した場合に、培養したｉＰＳ細胞を撮像し、教師細胞画像データ供給部３と選別細胞画像データ供給部４とのそれぞれに、画像データを供給する。したがって、選別細胞画像データに撮像されているｉＰＳ細胞と、教師細胞画像データに含まれる画像データに撮像されているｉＰＳ細胞とで、培養（または継代）開始後経過した時間は一致している。この構成により、本実施形態に係る人工多能性幹細胞選別装置Ｔ１は、ｉＰＳ細胞の選別の精度を向上させることができる。

【0082】

また、上述したように、タイムラプス顕微鏡７は、培養（または継代）開始後に所定の時間が経過し、コンフルエントとなったｉＰＳ細胞が撮像された画像を画像データとして生成する。したがって、選別細胞画像データ及び教師細胞画像データでは、コンフルエントとなったｉＰＳ細胞が撮像されている。
細胞画像撮影の培養（または継代）開始から経過した時間を学習と選別とにおいて一致させた条件下で、培養（または継代）から時間が経過し、コンフルエントとなった状態の方が、コンフルエントとなっていない状態に比べて細胞株の選別に適していることが事前の検証で認められている。

【0083】

また、本実施形態において、画像データとは、人工多能性幹細胞の単位体積あたりの細胞の個数が所定の範囲内である時に撮像された画像データであってもよい。
この構成により、本実施形態に係る人工多能性幹細胞選別装置Ｔ１は、細胞密度が所定の範囲内であるｉＰＳ細胞の形態を示す画像データに基づいて機械学習することができるため、ｉＰＳ細胞の選別の精度を向上させることができる。

【0084】

なお、上述した実施形態における選別装置１の一部、例えば、転移学習画像データ取得部１０、教師細胞画像データ取得部１１部、選別細胞画像データ取得部１２、機械学習部１３をコンピュータで実現するようにしてもよい。上述した実施形態における人工多能性幹細胞選別装置Ｔ１の一部、例えば、転移学習画像データ供給部２、教師細胞画像データ供給部３、選別細胞画像データ供給部４、及び制御部６をコンピュータで実現するようにしてもよい。それらの場合、この制御機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、選別装置１又は人工多能性幹細胞選別装置Ｔ１に内蔵されたコンピュータシステムであって、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した機能の一部を実現するためのものであってもよく、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであってもよい。
また、上述した実施形態における選別装置１及び人工多能性幹細胞選別装置Ｔ１の一部、または全部を、ＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ）等の集積回路として実現してもよい。選別装置１及び人工多能性幹細胞選別装置Ｔ１の各機能ブロックは個別にプロセッサ化してもよいし、一部、または全部を集積してプロセッサ化してもよい。また、集積回路化の手法はＬＳＩに限らず専用回路、または汎用プロセッサで実現してもよい。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いてもよい。

【0085】

以上、図面を参照してこの発明の一実施形態について詳しく説明してきたが、具体的な構成は上述のものに限られることはなく、この発明の要旨を逸脱しない範囲内において様々な設計変更等をすることが可能である。

【符号の説明】

【0086】

ＳＴ１…人工多能性幹細胞選別システム、１…選別装置、２…転移学習画像データ供給部、３…教師細胞画像データ供給部、４…選別細胞画像データ供給部、５…提示部、１０…転移学習画像データ取得部、１１…教師細胞画像データ取得部、１２…選別細胞画像データ取得部、１３…機械学習部、１４…選別部、Ｔ１…人工多能性幹細胞選別装置、６…制御部、７…タイムラプス顕微鏡、Ｐ１、Ｐ２、Ｐ３、Ａ１－１、Ａ１－３、Ａ１－５、Ａ１－７、Ａ２－１、Ａ２－３、Ａ２－５、Ａ２－７、Ａ３－１、Ａ３－３、Ａ３－５、Ａ３－７、Ｂ１－１、Ｂ１－３、Ｂ１－５、Ｂ１－７、Ｂ２－１、Ｂ２－３、Ｂ２－５、Ｂ２－７、Ｂ３－１、Ｂ３－３、Ｂ３－５、Ｂ３－７…画像データ、Ｃ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５、Ｃ６、Ｃ７、Ｃ８、Ｃ９、Ｃ１０、Ｃ１１、Ｃ１２、Ｃ１３、Ｃ１４、Ｄ１、Ｄ２、Ｄ３、Ｄ４、Ｄ５、Ｄ６、Ｅ…細胞塊

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】